Et blik ind i fremtiden - Et prædiktivt studie af sygdomsforekomst i Region Nordjylland
Oversat titel
A look into the future - A predictive study of disease incidence in the North Denmark Region
Forfattere
Bendixen, Kathrine ; Høymark, Cecilie Møller
Semester
4. semester
Uddannelse
Udgivelsesår
2019
Afleveret
2019-06-02
Antal sider
132
Resumé
Dette speciale undersøger, hvordan 31 sociale og psykologiske determinanter påvirker risikoen for at udvikle mindst én ny somatisk kronisk sygdom inden for tre år i Region Nordjylland, og hvordan denne risiko fordeler sig geografisk. Studiet sammenkobler registerdata fra Region Nordjylland (2010-2016) om seks sygdomsgrupper (osteoporose, gigt, allergi og andre inflammatoriske sygdomme, hjerte-kar-sygdomme, astma/KOL og diabetes) med spørgeskemadata fra Sundhedsprofilen (2010, 2013 og 2017). Udfaldet er et binært mål for nyopstået somatisk kronisk sygdom, og de 31 forklarende variable er grupperet i seks temaer: socioøkonomiske forhold, mental trivsel, social kontakt og støtte, sundhedsrelateret adfærd, tilhørsforhold i nabolaget og tillid. Metodisk anvendes både logistisk regression og neurale netværk (supervised machine learning) for at sammenligne prædiktionsevne og fortolkbarhed. Analysen peger på, at alder, uddannelse, køn, rygevaner samt angst/depression har den største betydning for risikoen for ny sygdom; de mest robuste resultater stammer fra den logistiske regression, da den neurale netværksanalyse sandsynligvis var præget af overfitting. Kortlægningen viser desuden geografiske forskelle i den fremtidige sygdomsrisiko. Samlet set kan en kombination af metoderne både identificere de væsentligste risikofaktorer og lokalisere højrisikogrupper, hvilket kan understøtte målrettet planlægning af sundhedsindsatser og reducere ulighed i sundhed.
This thesis examines how 31 social and psychological determinants influence the risk of developing at least one new somatic chronic condition within three years in the North Denmark Region, and how this risk is distributed geographically. The study links regional administrative data (2010–2016) on six condition groups (osteoporosis, arthritis, allergy and other inflammatory diseases, cardiovascular diseases, asthma/COPD, and diabetes) with survey data from the national Health Profile (2010, 2013, and 2017). The outcome is a binary indicator of incident somatic chronic disease, and the 31 predictors are organized into six themes: socioeconomic conditions, mental well-being, social contact and support, health-related behavior, neighborhood belonging, and trust. Methodologically, both logistic regression and neural networks (supervised machine learning) are used to compare predictive performance and interpretability. The analysis indicates that age, education, gender, smoking, and anxiety/depression are the strongest predictors of new disease; the most reliable findings stem from logistic regression, as the neural network analysis was likely affected by overfitting. Mapping of predicted risk further reveals geographic inequalities. Taken together, a combined approach can identify key risk factors and locate high-risk groups, informing targeted public health planning and efforts to reduce health inequalities.
[Dette resumé er genereret med hjælp fra AI direkte fra projektet (PDF)]